Einer der Kunden von Anthropic erhielt 2.740 Bewerbungen auf eine einzige Stelle – innerhalb von 24 Stunden.
Kein Prompt, den du von Hand schreibst, bleibt so lange richtig.
Die Personalerin, die diese Lebensläufe liest, startet mit einem Prompt, der sagt: „Fünf Jahre Backend, Startup-Hintergrund, starkes Python.“
Nach zwei Tagen sieht sie sich die erste Charge an und stellt fest, dass sie eigentlich Leute sucht, die etwas von Null auf Eins aufbauen.
Der Prompt ist bereits falsch – und sie hat noch nicht einmal die zweiten hundert gelesen.
Die Teams, die am schnellsten ausliefern, haben aufgehört, Prompts auf diese Weise zu schreiben.
Sie haben Systeme gebaut, bei denen der Prompt beobachtet, was der Nutzer tatsächlich entscheidet, und sich im Hintergrund selbst umschreibt.
Bevor der Nutzer überhaupt merkt, dass sich seine Präferenzen verschoben haben, hat sich der Prompt bereits mit verschoben.
Das funktioniert überall dort, wo ein Mensch Urteile fällt und das Modell hilft.
Recruiting, Support-Triage, Content-Moderation, Code-Review, Deal-Scoring.
So baust du so etwas Schritt für Schritt auf.
Ein Prompt ist keine Konfiguration, er ist ein Lehrling
Die Umstellung in deinem Kopf muss zuerst kommen.
Eine Konfiguration stellst du ein und vergisst sie.
Ein Lehrling beobachtet dich bei der Arbeit, erfasst, was dir wirklich wichtig ist, und passt sich an.
Dein Prompt sollte der zweite sein.
In dem System, das Nick Mayhew auf der Bühne bei Anthropic gezeigt hat, ist der Lehrling eine einfache Markdown-Datei.
Sie nennen es das ideale Kandidatenprofil.
Keine Gewichtungen, keine Regeln, keine Flussdiagramme. Nur einfaches Englisch, das beschreibt, wen die Personalerin einstellt.
Jedes Mal, wenn die Personalerin einen Kandidaten annimmt oder ablehnt, protokolliert das System dies.
Jeder Kommentar wie „der hier hat nicht genug Python“ wird gespeichert.
Jede manuelle Änderung am Profil wird ebenfalls gespeichert.
Dieser Haufen von Entscheidungen ist das Trainingssignal, auf dessen Grundlage der Prompt aktualisiert wird.
Warum 100 Entscheidungen, nicht eine
Der erste Impuls ist, den Prompt nach jeder Aktion zu aktualisieren. Tu es nicht.
Eine einzelne Entscheidung ist Rauschen. Eine einzige Ablehnung sagt dir so gut wie nichts darüber, was der Nutzer wirklich will. Es könnte jeder dieser Gründe sein:
- Der Nutzer war müde oder abgelenkt
- Die Eingabe war seltsam – aus Gründen, die nichts mit den wahren Präferenzen zu tun haben
- Sie haben sich verklickt
- Sie haben einen offensichtlichen Fall schnell bearbeitet
- Sie haben das System absichtlich getestet
Wenn du den Prompt daraufhin umschreibst, jagst du Gespenstern hinterher.
100 Entscheidungen sind ein Signal.
Du siehst ein Muster: Der Nutzer lehnt immer wieder Kandidaten ohne Startup-Erfahrung ab.
Das ist keine Laune, das ist eine Präferenz. Jetzt aktualisierst du.
Nick war auf der Bühne direkt.
Du erkennst Muster alle 100 bis 200 Entscheidungen, nicht bei jedem Klick.
Auch die Kostenseite zählt.
Ein intelligentes Modell bei jeder Aktion laufen zu lassen, frisst dein Budget bis zum Mittagessen.
Es stattdessen auf Batches anzuwenden, hält das System in der Produktion am Leben.
Teile das System in zwei Ebenen auf, nicht in einen großen Agenten
Die Versuchung ist groß, einen riesigen Agenten zu bauen, der bewertet, lernt und gleichzeitig aktualisiert.
Das skaliert nicht und verbrennt Tokens, die du nicht hast.
Das funktionierende Muster sind zwei Ebenen mit sehr unterschiedlichen Aufgaben.
Die untere Ebene ist der Bewerter. Billig, schnell, läuft bei jeder Eingabe.
Im Recruiting-Fall ist das Haiku, das jeden Lebenslauf gegen das aktuelle Profil bewertet.
Tausende pro Tag. Enge Aufgabe: Nimm die Eingabe, nimm den aktuellen Prompt, gib ein strukturiertes Urteil zurück.
Die obere Ebene ist der Lehrling. Langsamer, intelligenter, läuft selten.
Er beobachtet nur die Entscheidungen, die Menschen treffen.
Jeder Batch stellt er eine Frage: Entspricht der Prompt noch dem, was der Nutzer tatsächlich auswählt?
Wenn nein, schreibt er ihn um.
Die meisten Teams überspringen diese Trennung.
Sie setzen ein Frontier-Modell auf den heißen Pfad jeder Anfrage – die Rechnung explodiert, das System wird eingemottet.
Bewertung und Lernen zu trennen, hält das System in der Produktion am Leben.
Schreibe den Prompt in Prosa, nicht in Regeln
Hier sterben die meisten selbstverbessernden Systeme still und leise.
Der Instinkt sagt: Schreib eine Konfiguration: 30 % Gewicht auf Berufserfahrung, 20 % auf Unternehmensniveau, 10 % auf Ausbildung, Flags für Keywords.
Das fühlt sich gründlich an. Es produziert ein System, das das Modell gar nicht aktualisieren kann, weil es nichts zu aktualisieren gibt außer Zahlen.
Und Zahlen erfassen nicht, warum ein Personaler Nein gesagt hat.
Das funktionierende Format ist einfaches Englisch in Markdown.
„Wir möchten jemanden, der ein Produkt von Null auf Eins gebracht hat, idealerweise in einem Startup mit unter fünfzig Leuten.“
„Eine starke Engineering-Kultur ist wichtiger als ein bestimmter Tech-Stack.“
„Rote Flagge: hat nur bei Unternehmen mit mehr als tausend Mitarbeitern gearbeitet.“
Das ist ein Prompt, den der Lehrling tatsächlich umschreiben kann.
Er kann einen Satz hinzufügen, einen entfernen, eine Formulierung straffen.
Das kannst du mit einer gewichteten Bewertungsmatrix nicht machen.
Die Rückkopplungsschleife ist das gesamte Produkt
Sobald diese vier Teile an ihrem Platz sind, läuft das System von allein.
Der Nutzer trifft Entscheidungen. Der Bewerter bewertet anhand des aktuellen Prompts.
Alle 100 Entscheidungen liest der Lehrling den Haufen und schreibt den Prompt um.
Die nächste Charge von Eingaben wird gegen die neue Version bewertet.
Der Nutzer muss nie über den Prompt nachdenken.
Er fällt nur weiterhin die Entscheidungen, die nur ein Mensch treffen kann.
Der Prompt aktualisiert sich unter ihm.
Das ist der Teil, den die meisten Teams übersehen, wenn sie ein Claude-System ausliefern.
Sie behandeln den Prompt als ein zu lieferndes Produkt, das sie fertigstellen.
Die Teams, die am meisten ausliefern, behandeln ihn als eine Schicht, die ständig lernt.
Baue es von Tag eins an so auf, und du hörst auf, deine Wochen mit dem Feilen an Formulierungen zu verbringen.
Du verbringst sie damit, das Produkt auszuliefern.
Folge mir und abonniere meinen Telegram-Kanal:
